用正确方法对度量学习算法进行基准测试

典型的度量学习论文会提出一个新的损失函数或训练过程，然后在一些数据集上显示结果，如 CUB200、Stanford Cars 和 Stanford Online 产品。每隔几个月，我们都会看到准确度有所提高。

这真的是太好了，但有几点要注意。

这里有一张随机图

有些论文对比对象不一致

为了说明一种新的算法优于现有的方法，保持尽可能多的参数不变是很重要的。这样，我们可以确定是新算法提高了性能，而不是一个无关的参数提高了性能。但是在基准度量学习论文中并非如此：

1.网络架构并没有保持不变。有些论文用 GoogleNet，而最近的许多论文都在使用 BN-Inception，有时被称为 batch 标准化的开端「Inception with Batch Normalization」。2017 年一篇被广泛引用的论文使用 ResNet50，然后声称获得了巨大的性能提升。这是值得怀疑的，因为与之对比的方法使用的是 GoogleNet，这是一个不太强大的架构。因此，大部分性能提升可能来自网络架构的选择，而不是他们提出的方法。

2.图像增强并没有保持不变。大多数论文声称应用以下变换：将图像大小调整为 256 x 256，随机裁剪为 227 x 227，并以 50% 的几率进行水平翻转。但最近一些论文的官方开源实现表明，他们实际上使用的是 GoogleNet 论文中描述的更复杂的裁剪方法（见「训练方法」）。

3.性能提升技巧在论文中没有提及。在最近一篇 2019 年论文的官方开源代码中，主干模型的 BatchNorm 参数在训练期间被冻结。作者解释说，这有助于减少过度拟合，让 CUB200 数据集的性能提高 2 个点。但他们的论文中并没有提到这一点。

在 ImageNet 上预先训练的模型的准确性。使用 PCA 将输出嵌入大小减少到 512。对于每个图像，较小的边被缩放到 256，然后中心裁剪到 227x227。

大多数论文使用的是简单的训练/测试拆分

他们对一部分数据进行训练，找到在测试集上表现最好的模型，并报告这个数字。换句话说，它们不使用验证集。因此，超参数被调整，整个算法都是由测试集的直接反馈创建的。这打破了 Machine Learning 101 的最基本规则。此外，同一个模型训练/测试分离的方法已使用多年。随着时间的推移，这两个因素可能会导致测试集的过度拟合。

所以让我们正确地对这些算法进行基准测试

这就是强大的基准测试被用到的地方。

为什么要用这个工具？

透明性。你运行的每个实验都附带了详细的配置文件，这些文件精确地显示了使用了哪些模型、损失、转换等等。所以现在我们可以公平地比较各种方法的优缺点。

更好的性能衡量指标。使用比回忆更具信息性的指标。

用正确的方法测量精度。在多个基于类的训练/val/测试分段上测量精度。或者你可以使用旧的 50/50 训练/测试拆分进行比较。

保存详细的记录。在 Tensorboard 上查看有关训练过程的深入信息。

配置文件的灵活性。通过配置文件控制实验的大部分标准。通过合并现有的配置文件来扩展现有配置文件。下面是如何指定模型的示例：

models:

        trunk:

              bninception:

                     pretrained: imagenet

       embedder:

              MLP:

                     layer_sizes:

                            - 512

下面是如何合并 3 个配置文件的方法：

python run.py \

--experiment_name test \

--config_general default daml train_with_classifier

加大命令行的灵活性。使用标准 Python 字典表示法指定复杂配置选项：

python run.py \

--experiment_name test \

--optimizers {metric_loss_optimizer: {SGD: {lr: 0.01}}}

更多详情，请查看相关 github 项目：https://github.com/KevinMusgrave/powerful_benchmarker#override-config-options-at-the-command-line 

算法的灵活性。混合匹配损失、函数、采样器和训练方法。要使用硬批处理的多相似性损失？没问题：

loss_funcs:

        metric_loss:

              MultiSimilarityLoss:

                     alpha: 0.1

                     beta: 40

                     base: 0.5

mining_funcs:

       post_gradient_miner:

              BatchHardMiner: {}

访问 torchvision 和 pretrainedmodels 包中的所有模型。在配置模型文件中，只需指定出现在 torchvision 或 pretrainedmodels 中的函数名。

获取 torch.nn 和 pytorch_metric_learning 中的所有损失。在 config_loss_and_miners 文件中，只需指定出现在 torch.nn 或 pytorch_metric_learning 中的类名。

它真的有用吗？

下表是在 CVPR 2019 和 ICCV2019 上发表的一系列度量学习论文的结果。每种颜色代表不同的模型和嵌入大小配置。由于没有标准的实验方法，很难比较各种算法的性能。这阻碍了研究进展，因为我们不知道哪种方法最有效。因此，重要的是要有一个基准工具，使我们能够做公平的比较。

绿色：BN-Inception，512；蓝色：Blue: Resnet50, 128；黄色：Resnet50, 512；红色：GoogleNet, 512。前 8 行的数字来自各自的论文。

要查看这些实验和其他实验的配置文件，请参阅此电子表格，我将随时间添加到其中：https://docs.google.com/spreadsheets/d/1kiJ5rKmneQvnYKpVO9vBFdMDNx-yLcXV2wbDXlb-SB8/edit?usp=sharing 

表格的底部是使用基准测试工具获得的结果。 triplet loss 和 contrastive loss 都接近最新水平。然而，这两种方法常常被排除在结果表之外，或者被认为是性能最差的方法之一。强大的基准测试程序使检查这些基准算法变得容易。

写在最后

你对这个工具的看法和度量学习的现状怎么看？如果你有任何问题或想添加某些功能，请访问 GitHub repos 以了解强大的 powerful_benchmarker 和 pytorch_metric_learning 。

via：https://medium.com/@tkm45/benchmarking-metric-learning-algorithms-the-right-way-90c073a83968

雷锋网雷锋网雷锋网